PRISM: Decision-Centric Predictive Sensing for Cognitive Digital Twins in 6G

무선 네트워크의 미래는 단순히 더 많은 기기를 더 빠르게 연결하는 것에 그치지 않습니다. 그것은 물리적 세계를 위한 신경계를 구축하는 것에 관한 것입니다. 교통 신호등, 전력망, 그리고 자율주행 차량이 서로 실시간으로 대화하며 갑작스러운 사고나 변화하는 인파에 즉각적으로 대응하는 도시를 상상해 보십시오. 이를 가능하게 하기 위해 엔지니어들은 두 가지 강력한 아이디어를 결합하고 있습니다. 첫 번째는 무선 전파가 전화 통화처럼 데이터를 전달하는 동시에 레이더처럼 주변 환경을 매핑하는 역할을 수행하도록 하여 이중 임무를 수행하게 하는 기술입니다. 두 번째는 컴퓨터 속에 존재하는 물리적 네트워크의 가상 복사본인 '디지털 트윈'으로, 현실을 끊임없이 거울처럼 반영하여 운영자가 결정을 내리기 전에 미리 테스트할 수 있게 합니다. 수년간 이러한 시스템들은 독립적으로 잘 작동해 왔으나, 네트워크가 생명을 구하는 긴급 호출부터 대규모 공장 자동화에 이르기까지 모든 것을 처리하도록 성장함에 따라 결정적인 결함이 드러났습니다. 현재의 방식은 흥미로운 일이 일어나는지 여부와 상관없이 항상 모든 것을 기록하는 보안 카메라와 같습니다. 이러한 지속적이고 무차별적인 기록은 시스템을 막히게 하고 에너지를 낭비하며, 실제로 찰나의 결정이 필요한 순간에 네트워크가 반응하는 속도를 너무 느리게 만드는 데이터의 홍수를 만들어냅니다.

킹 파드 석유 광물 대학교(King Fahd University of Petroleum and Minerals)의 연구진은 이 문제에 대한 해결책으로, 수동적인 관찰에서 능동적인 예측으로 초점을 전환하는 새로운 방법을 제안했습니다. 그들은 이 새로운 시스템을 PRISM이라 부르며, 디지털 트윈을 정적인 기록 장치에서 생각하는 파트너로 바꾸기 위해 설계된 프레임워크라고 설명합니다. PRISM은 네트워크가 정보를 요청하기를 기다리는 대신, 다음에 무엇을 알아야 할지 스스로에게 질문합니다. 이 시스템은 빠른 속도로 움직이는 자동차를 향해 데이터 빔을 조절하거나 새로운 장애물을 피해 교통 경로를 변경하는 것과 같이 네트워크가 내릴 가능성이 높은 결정들을 미리 내다보고, 오직 그 특정 영역만을 향해 센싱 자원을 배정합니다. 저자들이 '의사 결정 중심의 예측적 인지(decision-centric predictive perception)'라고 설명하는 이 접근 방식은, 네트워크가 빈 공간을 스캔하며 시간을 낭비하는 것을 멈추고 정확히 필요한 시점에 필요한 곳에 주의를 집중하게 함을 의미합니다.

이 아이디어를 테스트하기 위해 연구팀은 초거대 다중 입출력(extremely large multiple-input multiple-output, XL-MIMO)이라고 알려진 하드웨어 유형인 거대 안테나 어레이가 서비스하는 밀집된 도시 환경의 시뮬레이션을 구축했습니다. 이 기술은 수천 개의 안테나를 사용하여 매우 집중된 데이터 빔을 생성하지만, 환경이 매우 빠르게 변하기 때문에 네트워크는 신호 차단을 피하기 위해 지역의 지도를 끊임없이 업데이트해야 한다는 독특한 과제에 직면합니다. 시뮬레이션에서 연구진은 중요한 작업을 위해 초신뢰 저지연 연결이 필요한 기기들과 일반적인 인터넷 브라우징을 위한 표준 기기, 그리고 수많은 단순 센서들이 혼합된 인구 집단을 도입했습니다. 그런 다음 PRISM 엔진을 현재 연구에서 사용되는 네 가지 다른 일반적인 전략들과 맞붙였습니다. 한 전략은 날씨와 상관없이 수평선을 훑는 등대 빔처럼 고정된 일정에 따라 전체 영역을 스캔하는 전통적인 시스템이었습니다. 또 다른 것은 이미 문제가 감지되었을 때만 스캔하는 반응형 시스템이었으며, 다른 것들은 다양한 형태의 예측적 추측을 사용했습니다.

시뮬레이션 결과는 PRISM 방식의 명확한 우위를 보여주었습니다. 연구진이 네트워크가 적절한 정보로 올바른 결정을 내리는 빈도를 측정했을 때, PRISM은 완벽한 성공률을 달了. 더 중요한 것은, PRISM이 다른 방법들이 요구하는 노력의 극히 일부만으로 이를 달성했다는 점입니다. 전통적인 고정 일정 시스템은 높은 성공률을 유지하기 위해 환경이 변할 때마다 수십 개의 영역을 스캔해야 했던 반면, PRISM은 단 몇 개의 핵심 영역에만 집중함으로써 동일한 수준의 신뢰성을 유지할 수 있었습니다. 이 시스템은 지식을 계층별로 조직하여, 긴급한 결정이 임박한 영역에 대해서는 최신의 업데이트된 뷰를 유지하는 한편, 덜 중요한 영역은 낮은 해상도 상태로 두도록 함으로써 이를 달성했습니다. 이를 통해 네트워크는 이동하는 차량을 위한 빔 재정렬을 예측하고, 차량이 현재 연결 구역의 가장자리에 도달하기도 전에 필요한 데이터를 준비할 수 있었습니다.

또한 이 연구는 이 새로운 방법이 다양한 네트워크 사용자들의 서로 다른 요구 사항을 어떻게 처리하는지 강조했습니다. 실제 6G 네트워크에서 하나의 타워는 로봇을 제어하는 외과의사, 영화를 스트리밍하는 승객, 그리고 수천 개의 스마트 미터기를 동시에 서비스해야 합니다. 각 서비스는 속도와 신뢰성에 대해 서로 다른 요구 사항을 가집니다. PRISM 엔진은 각 서비스 유형에 대한 지식의 별도 '파편(fragments)'을 유지함으로써 이러한 차이를 존중하도록 설계되었습니다. 긴급한 저지연 연결을 위한 데이터는 지속적으로 신선하게 유지하는 반면, 더 느린 지연 허용 서비스의 데이터는 업데이트 사이에 약간의 시간이 경과하도록 허용했습니다. 이러한 슬라이스 인식(slice-aware) 조직 방식은 시스템이 제한된 센싱 능력을 가장 중요한 곳에 우선순위를 두어 배치할 수 있게 하여, 가장 중요한 결정이 불필요한 데이터의 백로그로 인해 지연되지 않도록 보장했습니다.

가장 유의미한 발견은 아마도 지연 시간(latency), 즉 변화를 감지하고 행동에 옮기기까지의 지연을 줄인 점일 것입니다. 시뮬레이션에서 PRISM 엔진은 단계의 100분의 1 미만의 지연으로 결정을 내린 반면, 문제가 나타날 때까지 기다렸다가 행동하는 반응형 시스템은 응답하는 데 전체 한 단계를 소요했습니다. 자율 주행 시스템의 세계에서 밀리초(ms)는 매끄러운 핸드오버와 연결 끊김 사이의 차이를 만드는 결정적인 요소이므로, 이러한 속도는 매우 중요합니다. 시스템은 정보를 수집하는 동안 가능한 행동의 짧은 목록을 미리 계산함으로써 이를 달아냈으며, 따라서 결정의 순간이 왔을 때 네트워크는 처음부터 전체 과정을 다시 시작하는 대신 최선의 옵션을 선택하기만 하면 되었습니다.

이러한 결과가 유망하기는 하지만, 연구진은 이 결과가 실제 도시에서의 물리적 테스트가 아닌 시스템 레벨의 시뮬레이션에 기반하고 있다는 점을 주의 깊게 언급했습니다. 이 연구는 전체 엔지니어링 테스트와 같은 방식으로 무선 전파의 복잡한 물리학을 모델링하는 대신, 정보의 흐름과 의사 결정의 논리에 집중했습니다. 저자들은 다음 단계로 더 상세한 모델을 통해 이러한 발견을 검증하고 궁극적으로 하드웨어 프로토타입으로 검증할 것을 제안했습니다. 그러나 이 시뮬레이션은 수동적이고 일정 중심적인 접근 방식에서 능동적이고 의사 결정 중심적인 접근 방식으로 전환하는 것이 네트워크 자원 관리를 어떻게 획기적으로 개선할 수 있는지에 대한 강력한 증거를 제공합니다. 센싱을 단순한 데이터 수집이 아닌 추론을 위한 도구로 취급함으로써, PRISM 프레임워크는 더 빠르고 효율적일 뿐만 아니라 미래의 자율 시스템에 필요한 자기 인식적 조정 능력을 갖춘 네트워크를 향한 길을 제시합니다.